論文の概要: Evaluating the Robustness of Anti-UAV Detection under Controlled Fog Degradation: Fog-Aware Training and Clear-Sky Tradeoff
- arxiv url: http://arxiv.org/abs/2610.00141v1
- Date: Thu, 10 Sep 2026 07:32:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.381245
- Title: Evaluating the Robustness of Anti-UAV Detection under Controlled Fog Degradation: Fog-Aware Training and Clear-Sky Tradeoff
- Title（参考訳）: 制御された霧劣化下での抗UAV検出のロバスト性の評価:フォグアウェアトレーニングとクリアスカイトレードオフ
- Abstract要約: Fog-awareトレーニングは、明快な精度で9.1%の低下しかなく、すべての重大度における検出を促進する。
信頼性は狭い視界範囲で失われるため、単純明快な対悪なテストは運用上のリスクを過小評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-based anti-UAV systems must function in poor visibility, yet most benchmarks use only clear-sky footage, and previous robustness studies treat adverse weather as a simple present/absent condition. As a result, the impact of fog severity on ground-to-air UAV detection remains poorly understood. This work presents the first severity-controlled fog benchmark for this task: synthetic fog at ten severity levels is applied to the RGB modality of the Anti-UAV300 dataset, comparing a clear-trained YOLOv5m baseline to a fog-aware model trained on both clear and foggy images. Detection performance drops sharply and non-linearly: degradation is front-loaded across light-to-moderate fog (beta approximately 0.05-0.10), with a 96% reduction in mAP@0.5:0.95 from clear to thickest fog, mainly due to lost recall and confidence. On the comparable metric (mAP@0.5), this collapse exceeds the most extreme rain degradation reported in the closest prior benchmark. Fog-aware training boosts detection across all severities (up to +0.320 mAP@0.5:0.95) with only a 9.1% drop in clear-sky accuracy, raising the threshold for reliable detection while not preventing collapse under extreme fog. Since reliability is lost within a narrow visibility range, simple clear vs adverse tests underestimate operational risk.
- Abstract（参考訳）: 視界に基づく対UAVシステムは視界が悪くてはならないが、ほとんどのベンチマークでは明快な映像しか使用せず、以前のロバストネス研究では、悪天候を単純な現在/現在状態として扱っていた。
その結果、霧の重大さが地上から空へのUAV検出に与える影響はよく分かっていない。
この研究は、この課題に対する最初の重度制御された霧のベンチマークを提示する: 10重度での合成霧をアンチUAV300データセットのRGBモダリティに適用し、クリアトレーニングされたYOLOv5mベースラインとクリアイメージとフォグイメージの両方で訓練されたフォグ認識モデルと比較する。
検出性能は急激に低下し、非直線的に低下する: 劣化は光からモデレートの霧(約0.05-0.10)にフロントロードされ、主にリコールと信頼性の喪失により、クリアから最も厚い霧からmAP@0.5:0.95が96%減少する。
比較指標(mAP@0.5)では、この崩壊は最寄りのベンチマークで報告された最も極端な降雨量を超える。
フォグ・アウェア・トレーニングは、全重症度(+0.320 mAP@0.5:0.95まで)における検出を9.1%の精度で促進し、極度の霧の下での崩壊を防ぎながら、信頼性の高い検出のしきい値を高める。
信頼性は狭い視界範囲で失われるため、単純明快な対悪なテストは運用上のリスクを過小評価する。
関連論文リスト
- Enhancing Visual Perception in Foggy Conditions via Multiclass Fog Density Modeling [0.0]
合成霧データを用いた霧認識について検討した。
我々は5つの霧密度レベル(クリア、軽い霧、中程度の霧、重い霧、非常に重い霧)を考える。
実験結果から,濃霧条件下での密度比訓練により性能が向上することが示唆された。
論文 参考訳（メタデータ） (2026-08-03T01:00:37Z) - A Task-Driven Evaluation of UAV Detection and Tracking under Synthetic Fog [4.675397149564289]
Fogは小型無人航空機(UAV)の視認性を大幅に低下させる。
本稿では,奥行き認識型合成霧発生,画像復元,追跡を関連づけたタスク駆動型評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T07:06:37Z) - Safety-Critical Camera Reliability Monitoring for ADAS via Degradation-Aware Uncertainty Pattern Analysis [0.0]
本稿では、下流の故障が観測される前に、劣化に伴う不確実性パターンから認識リスクを推定するカメラ信頼性監視フレームワークを提案する。
軽量マルチタスクネットワークは、単一のRGB画像から劣化タイプ、重大度、空間不確実性マップを予測する。
KITTI由来の劣化実験では、GSHIは重度とともに単調に減少し、健康推定MAEは0.064であり、YOLOv8検出失敗の前に0.47$pm$ 0.25重度単位の早期警戒時間を提供する。
論文 参考訳（メタデータ） (2026-05-06T20:55:08Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - Delving into Cascaded Instability: A Lipschitz Continuity View on Image Restoration and Object Detection Synergy [95.93943805282868]
リプシッツ規則化物体検出(LROD)
本稿では,リプシッツ規則化YOLO(LR-YOLO)を提案する。
ヘイズと低照度ベンチマークの実験では、LR-YOLOは検出安定性、最適化のスムーズさ、全体的な精度を一貫して改善している。
論文 参考訳（メタデータ） (2025-10-28T09:41:42Z) - RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。
提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-09-23T15:41:40Z) - Real-Time Dynamic Scale-Aware Fusion Detection Network: Take Road Damage Detection as an example [3.334973867478745]
道路被害検知(RDD)は,都市部における日常のメンテナンスと安全のために重要である。
現在のUAVベースのRDD研究は、まだ多くの課題に直面している。
背景干渉を自動的に除去できるマルチスケール適応道路損傷検出モデルを設計する。
論文 参考訳（メタデータ） (2024-09-04T09:03:47Z) - FogGuard: guarding YOLO against fog using perceptual loss [5.868532677577194]
FogGuard(フォグガード)は、霧の天候によって引き起こされる課題に対処するために設計された、霧を意識した物体検出ネットワークである。
FogGuardは、YOLOv3をベースラインアルゴリズムとして組み込むことで、シーン内の霧の状態を補償する。
我々のネットワークは、RTTSデータセット上でのYOLOv3の57.78%と比較して、69.43%のmAPを達成した。
論文 参考訳（メタデータ） (2024-03-13T20:13:25Z) - DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial
Purification [63.65630243675792]
拡散に基づく浄化防御は拡散モデルを利用して、敵の例の人工摂動を除去する。
近年の研究では、先進的な攻撃でさえ、そのような防御を効果的に破壊できないことが示されている。
拡散型浄化防衛を効果的かつ効率的に行うための統合フレームワークDiffAttackを提案する。
論文 参考訳（メタデータ） (2023-10-27T15:17:50Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。